4.3.1. Öğrenmenin genel yapısı
Bilgi işleme hızı bilgisayar teknolojisinde halen önemli bir etkendir. Sistemlerin her geçen gün biraz daha karmaşık olması nedeni ile daha çok bilgiyi daha verimli bir
şekilde işleme gerekliliği yeni yazılım/donanım sistemlerini zorunlu hale getirmiştir. Halbuki insan beyni, oldukça fazla bilgiyi gerçek zamanlı olarak oldukça hızlı bir biçimde işleyebilmektedir. Bu durum, yapısındaki hücrelerin paralel olarak: çalışması ile açıklanmaktadır. YSA da yine birbirlerine bağlı ve paralel işlem elemanlarından oluştuğundan, hızlı işleyebilme yetenekleri, bu ağlara özellikle endüstride gerçek zamanlı çalışma kabiliyeti de kazandırır.
Simon (1983) tarafından öğrenme işlevi, bir sistemin bir görevi daha etkili ve verimli yapabilme yeteneğini kazanması şeklinde tanımlamıştır. Michalski (1986) ise, öğrenmenin deneyimin bir göstergesi olduğunu belirtmiştir (Baklavacı, 1994).
Genel olarak öğrenme, bir bilginin çözümü demektir. Bir istem aldığı bilgiyi kendi bünyesinde çözerek öğrenmektedir. Bunu da öğrenme süreci boyunca yapısını değiştirerek yerine getirmektedir.
Sonuçta öğrenme, sistemin parametrelerini değiştirerek verilen giriş değerlerine karşılık istenen çıkış değerlerinin alınması veya üretilmesini sağlayacak bir kendini uyarlama sürecidir (Karamahmut, 1994).
YSA da değişebilen sistem parametreleri, hücreler arası bağlantıları sağlayan sinapsları temsil eden bağlantıların ağırlık katsayılarıdır. En uygun ağırlıkların bulunması problemin çözü1düğü anlamına gelir. Öğrenme sırasında oluşabilecek değişimler şu şekilde sıralanabilir (Güzeliş, 1991):
- Yeni bağlantıların oluşması - Varolan bağlantıların kaybolması
33
YSA da öğrenme olayı aşama aşama gerçekleştirilen bir işlem, genelde bir süreçtir. Öğrenme sırasında bir eğitim seti kullanılır. Eğitim kümesinde, ilgili olaylar arasındaki ilişkileri YSA ya en uygun şekilde gösterebilecek girdiler bulunur.
Öğrenme özelliği YSA nın en önemli özelliklerindendir. Kendisine verilen öğrenme seti sayesinde öğrenme işlemi gerçekleştirildiği zaman YSA, iç dinamikleri ile öğrenme setinde belirlediği ilişkilerden yola çıkarak genelleme yapar ve yeni problemler karşısında sonuçlar üretir. Öğrenme aşamasında her adımda eğitim setinden sırayla veya rast gele örnekler alınmakta ve ağa uygulanmaktadır. Adım sonunda belirli bir amaç ölçütü gereğince ağın bağlantı ağırlık katsayıları değiştirilmektedir.
Adım adım eğitim dışında, kümesel eğitim denilen öğrenme kuralları da vardır. Bunlarda eğitim tek bir adımda gerçekleşmektedir.
Bağlantı ağırlık katsayılarının son değerleri eğitim kümesindeki tüm örnekler göz önüne alınarak tek bir adımda bulunmaktadır.
4.3.2. Öğrenme türleri
YSA öğrenme durumlarına göre genel olarak üç türlü öğrenme algoritmalarına sahiptirler (Öztemel, 1996):
a) Öğretmenli öğrenme: Bu öğrenme türünde, dışarıdan bir öğretmenin sinir ağının öğrenmesine müdahalesi söz konusudur. Öğretmen, sinir ağının ilgili girdi için öğrenmesi gereken sonucu sinir ağı sistemine tanımlar. Diğer bir ifade ile; ağa, girdi-çıktı ikilisinden oluşan örnekler sunulur ve girdi çıktı bilgisinin ağa tanımlanması gereklidir. Ağ girdi kısmını alır ve o anki bağlantı ağırlıklarının tanımladığı bilgi ile bir çıktı oluşturulur. Bu çıktı, hedef çıktı ile karşılaştırılır ve ağdaki hata tekrar ağa aktarılarak ağırlıklar bu hatayı azaltacak biçimde değiştirilir.
Öğretmenli öğrenme basit anlamda öğrenciler ile öğretmenin bir sınıftaki dersine benzetilebilir. Öğrenciler ile öğretmen ders boyunca karşılıklı etkileşim içindedirler. Öğrencilerin sorulan sorulara verdikleri cevaplar öğretmen tarafından denetlenmektedir ve gerekirse doğru cevap öğretmen tarafından öğrencilere iletilmektedir.
b) Takviyeli öğrenme: Bu tür öğrenmede, yine bir öğretmene ihtiyaç vardır.
Öğretmenli öğrenmeden farkı ise bu durumda öğretmenin ağın üretmesi gereken sonuç yerine, onun ürettiği sonucun sadece doğru veya yanlış olduğunu söylemesidir. Bu ise, ağa bir takviye sinyalinin gönderilmesi ile sağlanır. Bu tür öğrenme, örnek için beklenen çıktının oluşturulamadığı durumlarda çok faydalıdır.
c) Öğretmensiz öğrenme: Bu durumda hiçbir öğretmene ihtiyaç yoktur. Onun için buna çoğu zaman kendi kendine organize öğrenme (self-organized learning) de denilmektedir. Ağ kendisine gösterilen örnekleri alır ve belli bir kritere göre sınıflandırır. Bu kriter önceden bilinmeyebilir. Ağ kendi öğrenme kriterlerini kendisi tanımlamaktadır.
4.3.3. YSA’da kullanılan önemli öğrenme algoritmaları
Burada öğretmenli ve öğretmensiz öğrenmeye yönelik yedi önemli öğrenme algoritması verilecektir (Zurada, 1991):
a) Hebb öğrenme algoritması: Hebb'in öğrenme algoritmasında temel fikir, hücrenin darbe üretmesine sebep olan bağlantıların ağırlık katsayılarım
büyüterek etkilerini arttırmaktır: Dışarıdan istenilen bir çıkış
35
b) Algılayıcı (perceptron) öğrenme algoritması: Rosenblatt (1958) tarafından önerilen Algılayıcı Öğrenme Algoritması'nda ağırlık (w) değişimi; gerçekleşen çıktı ile istenen çıktı arasındaki fark ile orantılıdır. Dolayısı ile öğretmenli bir algoritmadır. Devrenin çıkışı iki kutuplu ve w' nun oluşturduğu bir hiper yüzey tarafından belirlenmektedir. Ağın ürettiği çıkış istenen çıktıdan farklı ise, hiper yüzey hatayı azaltacak yönde hareket etmektedir. Hata sıfır olduğunda w değişimi durmaktadır.
c) Eğim-Düşme öğrenme algoritması: Eğim-düşme (Gradient Descent)
Öğrenme Algoritması veya "Delta Kuralı" Öğrenme Algoritması sadece üretilebilir fonksiyonlara sahip olan ağlara uygulanabilmektedir. Öğretmeni bir öğrenme algoritmasıdır. w değişimi hatanın eğiminin ters yönündedir. Böylece hata fonksiyonunun oluşturduğu çanağın dibine, yani hatanın minimum olduğu yere doğru hareket edilmektedir.
d) Widrow-Hof öğrenme algoritması: Widrow-Hof Öğrenme Algoritması
öğretmenli bir öğrenme algoritmasıdır. w değişimi ağın çıktısından bağımsızdır. Aslında bu algoritma Eğim-Düşme algoritmasının özel bir halidir.
e) Đlinti öğrenme algoritması: Hebb Öğrenme Algoritmasının Öğretmenli Uyarlamasıdır.
f) Kazanan her şeyi alır öğrenme algoritması: Yarışma türü öğrenme
algoritmalarına örnek teşkil etmekte olan bu algoritmada genel kural; giriş değerine en yakın olan bağlantı ağırlık katsayılarını bulmaktır. Bu w' lara ilişkin hücre, kazanan hücre olarak adlandırılmaktadır. Sadece kazanan hücre bir çıkış üretmekte ve bu hücreye ilişkin w' lar değişime uğramaktadır. Öğretmensiz öğrenmenin tipik bir örneği olan bu algoritma sonuçta ağa gelen girişleri sınıflandırmaktadır.
g) Outstar öğrenme algoritması: Öğretmenli öğrenme algoritma türü olan bu öğrenme algoritmasında amaç; w' ları istenen çıktıya benzetmektir.